使用 .apply() 函数进行循环

使用 pandas 编写高效代码

Leonidas Souliotis

PhD Candidate

.apply() 函数

data_sqrt = poker.apply(lambda x: np.sqrt)
head(data_sqrt, 4)

|     | S1         | R1       | S2       | R2       | S3       | R3     |
|----|----------|----------|----------|----------|----------|----------|
| 0  | 1.000000 | 3.162278 | 1.000000 | 3.316625 | 3.464102 | 1.000000 |
| 1  | 1.414214 | 3.316625 | 1.414214 | 3.605551 | 1.414214 | 3.162278 |
| 2  | 1.732051 | 3.464102 | 1.732051 | 3.316625 | 1.732051 | 3.605551 |
| 3  | 2.000000 | 3.162278 | 2.000000 | 3.316625 | 2.000000 | 1.000000 |

data_sqrt_2 = np.sqrt(poker)

按行使用 .apply() 函数

apply_start_time = time.time()
poker[['R1', 'R2', 'R3', 'R4', 'R5']].apply(lambda x: sum(x), axis=1)
print("Time using .apply(): {} sec".format(time.time() - apply_start_time))

使用 .apply() 的耗时：0.636334896088 秒

start_time = time.time()
for ind, value in poker.iterrows():
    sum([value[1], value[3], value[5], value[7], value[9]])
print("Time using .iterrows(): {} sec".format(time.time() - start_time))

使用 .iterrows() 的耗时：3.15526986122 秒

速度差异：395.85051529%

按列使用 .apply() 函数

start_time = time.time()
poker[['R1', 'R2', 'R3', 'R4', 'R5']].apply(lambda x: sum(x), axis=0)
print("Time using .apply(): {} sec".format(time.time() - apply_start_time))

使用 .apply() 的耗时：0.00490880012 秒

start_time = time.time()
poker[['R1', 'R1', 'R3', 'R4', 'R5']].sum(axis=0)
print("Time using pandas: {} sec".format(time.time() - start_time))

使用 pandas 的耗时：0.00279092788 秒

速度差异：160.310951649%

开始练习！

使用 pandas 编写高效代码